轉自： https://zhuanlan.zhihu.com/p/55574882
背景
最近工作上有個類似需求是： 現有約3億條數據詞典存在於一個csv文件A中，作爲數據源。對於 用戶輸入的任意單詞M，需要快速的在A中匹配M單詞是否存在。（A文件約3G大小左右，總行數三億）
拿到這個需求，你的第一想法怎麼做呢？
正常思路可能是：
-
將csv文件A導入某關係型數據庫。
-
sql查詢按M匹配。
上面的方式有個明顯的缺點是：慢！
3億多行的數據，即便是建好索引進行檢索，匹配到也得話不少時間（筆者沒親自試過，感興趣的朋友可以自行測試測試，理論上快不起來的）。
目前能 在時間複雜度和空間複雜度上達到最佳的方案，恐怕就是Bloom Filter了， 維基地址：Bloom Filter
此處給不太瞭解Bloom Filter的讀者看，熟悉的朋友直接看下一節。
本文場景Bloom Filter 使用思路解釋：假設申請了一段bit位大數組（即數組中的元素只能是一個bit位，1或0，默認元素值都爲0）將csv文件A中的每個單詞，經過多個hash函數進行hash運算之後得到在大數組中對應的多個下標位置將步驟2中得到的多個下標位置的bit位都置爲1.對於用戶輸入的任意單詞M，按照2的步驟得到多個下標位置，其對應大數組中的值全部爲1則存在，否則不存在。
方案選型
實現Bloom Filter的方法很多，有各種語言版本的，這裏爲了真切感受一下算法的魅力，筆者這裏決定用java 代碼徒手擼了！
另一方面，考慮到分佈式應用的需要，顯然在單機內存上構建Bloom Filter存儲是不太合適的。 這裏選擇redis。
redis有以下爲操作，可以用於實現bloomfilter：
redis> SETBIT bit 10086 1
(integer) 0
redis> GETBIT bit 10086
(integer) 1
redis> GETBIT bit 100 # bit 默認被初始化爲 0
(integer) 0
實現細節
實現bloom filter的關鍵是hash函數，一般爲了降低誤報率、減少hash碰撞的影響，會選擇多個hash函數。
那麼，怎麼寫一個hash函數呢？
不要方，我們要的hash是 input: String --> output: int , jdk裏面的String類不是恰好也有一個hashCode 方法嗎？ 翻出來看一看！
/**
* Returns a hash code for this string. The hash code for a
* {@code String} object is computed as
* <blockquote><pre>
* s[0]*31^(n-1) + s[1]*31^(n-2) + ... + s[n-1]
* </pre></blockquote>
* using {@code int} arithmetic, where {@code s[i]} is the
* <i>i</i>th character of the string, {@code n} is the length of
* the string, and {@code ^} indicates exponentiation.
* (The hash value of the empty string is zero.)
*
* @return a hash code value for this object.
*/
public int hashCode() {
int h = hash;
if (h == 0 && value.length > 0) {
char val[] = value;
for (int i = 0; i < value.length; i++) {
h = 31 * h + val[i];
}
hash = h;
}
return h;
}
看到這一行h = 31 * h + val[i];，貌似原理其實也很簡單，每個字符對應的ascii碼，經過一個公式計算依次加起來。這裏有個係數31, 稍微變一下， 不就可以有多個hash函數了嗎。
以下是稍加修改後的hash函數：
//總的bitmap大小 64M
private static final int cap = 1 << 29;
/*
* 不同哈希函數的種子，一般取質數
* seeds數組共有8個值，則代表採用8種不同的哈希函數
*/
private int[] seeds = new int[]{3, 5, 7, 11, 13, 31, 37, 61};
private int hash(String value, int seed) {
int result = 0;
int length = value.length();
for (int i = 0; i < length; i++) {
result = seed * result + value.charAt(i);
}
return (cap - 1) & result;
}
剩下的事情便很簡單了，對每個詞典A中的單詞，依次調seeds 中對應的hash函數（這裏一共是8個），用redis的setbit操作，將下標值置爲1.
redis代碼 (這裏用pipeline 包裝了下。)
@Service
public class RedisService {
@Autowired
private StringRedisTemplate template;
public void multiSetBit(String name, boolean value, long... offsets) {
template.executePipelined((RedisCallback<Object>) connection -> {
for (long offset : offsets) {
connection.setBit(name.getBytes(), offset, value);
}
return null;
});
}
public List<Boolean> multiGetBit(String name, long... offsets) {
List<Object> results = template.executePipelined((RedisCallback<Object>) connection -> {
for (long offset : offsets) {
connection.getBit(name.getBytes(), offset);
}
return null;
});
List<Boolean> list = new ArrayList<>();
results.forEach(obj -> {
list.add((Boolean) obj);
});
return list;
}
}
最後，代碼串起來大概長這個樣子：
FileInputStream inputStream = new FileInputStream("/XXXX.csv");
BufferedReader bufferedReader = new BufferedReader(new InputStreamReader(inputStream));
HashSet<Long> totalSet=new HashSet<>();
String word=null;
while((word = bufferedReader.readLine()) != null){
for (int seed : seeds) {
int hash = hash(word, seed);
totalSet.add((long) hash);
}
long[] offsets = new long[totalSet.size()];
int i=0;
for(Long l:totalSet){
offsets[i++]=l;
}
redisService.multiSetBit("BLOOM_FILTER_WORDS_DICTIONARY", true, offsets);
}
查的時候也類似：
String word = "XXXX"; //實際輸入
long[] offsets = new long[seeds.length];
for (int i = 0; i < seeds.length; i++) {
int hash = hash(mobile, seeds[i]);
offsets[i] = hash;
}
List<Boolean> results = redisService.multiGetBit("BLOOM_FILTER_WORDS_DICTIONARY", offsets);
//判斷是否都爲true （則存在)
boolean isExisted=true;
for(Boolean result:results){
if(!result){
isExisted=false;
break;
}
}
注意事項
setbit的offset是用大小限制的，在0到 232（最大使用512M內存）之間，即0~4294967296之前，超過這個數會自動將offset轉化爲0，因此使用的時候一定要注意。
寫在最後：
看到最後了，那就點個關注唄，只收藏不點關注的都是在耍流氓！
關注並私信我“架構”，免費送一套Java架構資料，先到先得！